Thèse Cifre

Description de l'entreprise

Accélérez votre carrière au sein d’un groupe d’ingénierie mondial à forte croissance. Chez SEGULA Technologies, vous travaillerez sur des projets passionnants et contribuerez à façonner l’avenir au sein d’une entreprise pour qui l’innovation est indissociable de l’ingénierie.

Impression 3D, réalité augmentée, véhicule autonome, usine du futurrythment le quotidien de nos 12 000 ingénieux collaborateurs, pourquoi pas le vôtre ?

À côté de chez vous ou à l’autre bout de la planète, vous trouverez chez SEGULA Technologies l’opportunité qui donnera un sens nouveau à votre carrière

Description du poste

L'objectif est de développer une analyse et compréhension de scènes complexes précise et rapide améliorant les performances de véhicules autonomes évoluons dans des situations différentes : environnement urbain multimodale fortement contraignant, conditions météorologiques défavorables, etc. Pour cela, nous proposons une nouvelle solution innovante basée sur des approches stochastiques par apprentissage profond multitâches. Outre les aspects algorithmiques, notre solution concentre une technologie innovante en matière d’instrumentation. Un système fusion multicapteurs (caméras, LiDAR, GPS/IMU, Odométrie) sera sollicité afin de renforcer la perception d’environnement qui, in fine, renforcera les décisions et actions à prendre. Par opposition à ce qui est proposé dans l’état de l’art, notre approche permettra l’analyse spatio-temporelle. Ainsi, l’avantage majeur de cette approche sera la modélisation multitâche pour extraire des descripteurs haut niveau. Contrairement à ce qui est déjà proposé dans la littérature, la contribution majeure de ces travaux de thèse est de faire cohabiter plusieurs tâches complémentaires dans une architecture unifiée à base de réseaux de neurones profond (M-TL). L’approche multitâche fine-grained proposée vise, entre autres, l’introduction d’un modèle innovant de deep learning convolutif et/ou récurrent additionnant/combinant plusieurs types de problèmes à résoudre par le même modèle et ce, afin d’améliorer les performances du réseau (précision et vitesse). On parle donc d'apprentissage multitâches. Les tâches sont à définir de façon à ce qu'elles répondent à des problèmes distincts mais complémentaires les unes des autres : détection d’objets 3D, tracking temps-réel d’objets 3D, segmentation sémantique, navigation autonome, etc. L’objectif est de pouvoir analyser et comprendre la scène complexe dans laquelle le véhicule évolue : prédiction des risques, détection de comportement d’agents, alertes collision, freinage d’urgence, etc.

Ce sujet de thèse vise le développement d’approches par apprentissage profond multitâches comme un outil innovant pour la smart mobilité. Il représente un lien fort avec les préoccupations actuelles de SEGULA Technologies ainsi que ses partenaires. En plus, et à l’échelle régionale et nationale, il répond à des besoins urgents de la société à savoir : amélioration du transport publics via des navettes autonomes multimodales pouvant assurer, par exemple, la desserte de gares abandonnées ou à faible fréquentation, sécurisation des gares, etc. Cela permet d’assurer un transport autonome robuste, précis, rapide et sécurisé. Plus concrètement, le sujet de Thèse prévoit les travaux suivants sur l’analyse et compréhension de scènes complexes par apprentissage profond multitâches:

- détection d’objets 3D basée deep learning;
- tracking temps-réel d’objets par approche spatio-temporelles;
- segmentation sémantique;
- analyse et compréhension de scènes complexes basée deep learning multitâches (M-TL).

**Qualifications**:
Vous recherchez une thèse CIFRE à la suite de votre formation universitaire ou d’ingénieur, idéalement en **conduite autonome, reconnaissance d’environnement et intelligence artificielle**. Vous êtes attiré par les nouvelles technologies et les métiers techniques.

Vous avez des connaissances éclairées dans l’un (au moins) des domaines suivants:

- intelligence artificielle, robotique;
- automatique;
- traitement d’images et vision par ordinateur;
- systèmes embarqués.